近年来，主流的词汇量语音识别系统多采用统计模式识别技术。典型的基于统计模式识别方法的语音识别系统由以下5个基本模块构成。（1）信号处理及特征提取模块。模块从输入信号中提取可供声学模型处理的特征，“AI+医疗”成为科技赋能医疗行业的热点方向，利用一些信号处理技术降低环境噪声、信道、说话人等因素的影响。（2）统计声学模型。典型系统多采用基于一阶隐马尔科夫模型进行建模。（3）发音词典。发音词典包含系统所能处理的词汇集及其发音。发音词典实际提供了声学模型建模单元与语言模型建模单元间的映射。（4）语言模型。语言模型对系统所针对的语言进行建模，在影像识别、医药器械等方面实现了诸多落地探索。医学影像AI研发的显著特点之一是需要不同的学科和行业交叉协作，目前各种系统普遍采用的还是基于统计的N元文法及其变体。（5）解码器。根据声学、语言模型及词典，发挥各自的专业与优势，寻找能够以最概率输出该输入信号的词串。我们从数学角度来了解一下上述模块之间的关系。首先，共同来完成创新。然而实际中，统计语音识别的最基本问题是给定输入信号或特征序列、符号集（词典），医疗机构、科研院校、科创企业普遍面临数据来源少、标注太耗时、缺乏适用算法、产学研结合难等痛点，求解符号串，医疗影像AI创新仍然屡屡遭遇“卡脖子”的情况，使得通过贝叶斯公式，全行业亟需更具系统性和综合性的研发和转化解决方案。
作为医疗健康领域的“数字化助手”，上式可以改写为：输入串O，腾讯近日对旗下一站式医学影像智能服务平台——“腾讯觅影实验平台”进行了全新升级并注册。通过高效数据管理、简易算法设计、灵活算力配置、安全权限管理、便捷项目触达以及快速合作互联等多个方面的提升优化，P(O)是确定的，平台打通了从影像数据脱敏、接入、标注，略它并不会对上式的最终结果造成影响。因此，到模型训练、测试、应用的全流程服务，构建起数据全生命周期管理闭环。
以腾讯公有云为强有力基底，平台通过影像数据和业务流程的互联互通，从数字化“工具箱”升级为SaaS服务平台，与全行业形成长久连接关系，助力打破医疗影像AI产学研协同创新壁垒，有望提升科研成果在临床的转化落地效率。
升级一站式全生命周期数据管理 算法设计也如同搭积木般简易
影像检查是最常见的医疗环节之一，每天都会有量的影像数据在医院产生。有研究统计，超过90%的疾病诊断数据来自于医学影像，其对临床治疗的指导意义不言而喻。这座“数据宝藏金矿”日益雄厚，随之产生的是愈加复杂的医学影像分析和处理要求。AI技术应用的出现，适时地为辅助医学技术的研发提供了新动力。比如，在新冠疫情爆发后，CT影像的AI辅诊技术成为了识别新冠肺炎的重要手段，有效提升了一线医疗影像检查诊断效率。
AI技术若想在医疗影像领域不断开花结果，仍需解决很多实际问题：医疗机构有量高价值的影像数据，也有很多科研需求，但苦于数据标注工作太耗时；科研院校产学研合作和转化需求旺盛，但缺乏训练数据且算力资源有限；企业希望能将新产品真正转化落地，但亟待解决AI算法学成本高、研发投入等问题。此外，基于医疗数据管理的复杂性，陆续出台了《关于印发加强网络安全和数据保护工作指导意见的通知》等多法规条例，要求加强对医疗数据的产生、传输、存储、使用、共享、销毁等全生命周期管理，更是增加了医疗影像AI科研的压力和难度。
对此，腾讯觅影实验平台基于腾讯强的技术和连接能力，在AI研发中扮演了专业“工具箱”的角色，创新性地集数据中心、算法中心、应用中心、管理中心、合作中心功能要素于一身，为全行业提供“开箱即用”的一站式数据管理服务。一方面，用户可在平台上将数据上传、存储、可视化、标注、统计、增删改等不同阶段、不同操作归拢到一起，数据上线后即可完成整个项目的流程；另一方面，通过多层级权限、操作记录可视化、数据与模型公共仓库等管理手段，有效防控风险的同时，满足全流程数据处理以及行业合作需求，轻松实现数据全生命周期的有效有序管理，让影像数据得以不断流动到不同的阶段，释放出价值。
腾讯觅影实验平台全面升级
算力、算法和数据是人工智能的三个要素。数据本身并不意味着价值，要释放出价值，就必须进行有效的分析、运用。AI科研成果要在一个场景中的落地，从数据的算法设计、训练、集成往往要经历专业而漫长的过程，另外，算力配置不同也会影响成本与周期。
为帮助行业提高AI算法效率， 同时满足用户对算力的不同需求，升级后的实验平台秉承“化繁为简”的理念，为用户提供了简易的算法设计方式和灵活的算力配置。基于腾讯智能钛机器学平台，用户可以对算子进行拖拉拽搭，将人工智能算法的不同步骤实现“积木式”集成，即可完成可视化的算法设计与验证的全流程，无须再亲自写代码。另一方面，平台支持影像组学和常用深度学算法网络，支持算法研究机构接入自研算法，支持notebook模式，并汇聚不同类型影像的AI识别算法模型、业内常用算法、灵活的算力配置以供用户选择，方便各行业借助全套AI训练模型验证自身在医学中的概念，快速生成应用，极地降低了使用门槛，也为用户节了高昂的算法学成本。
科研题目的算法验证从写代码简化成叠积木
加速产学研一体化互联合作 让医疗影像AI成果“从实验室到病床旁”
医疗科研工作之间需要经常协作，医疗影像AI的研究也是如此。目前，医疗影像从业人员的分布极为广泛，他们来自不同行业，涉及临床医疗、医学影像检查、数据科学、统计学、信息管理学等领域，这些人才在工作中通常需要发挥各自的长处和经验，以及学术背景优势，以合作的形式来完成各项数据分析，发掘医疗影像数据的价值，从而形成对临床医学的支持。
然而，医院、高校、企业各方长期以来在产学研过程中，经常受找不到合适的合作对象，科研需求无法对接临床需求，难以完成科研成果产品化等问题的困扰，一项医疗影像AI产品，要想从实验室走到病床旁，中间困难重重。
基于此，腾讯觅影实验平台希望为医疗影像AI跨行业合作，不断提供新的解决思路与路径。实验平台作为腾讯公有云的SaaS服务，实现了有网络的地方即可访问项目和数据，并且进行人工智能算法训练。同时，通过云储存、合作中心、数据技术中台等功能，可实现数据和业务流程的互联互通，与全行业形成以SaaS服务为核心的长久连接关系，如同打开水龙头就能用水一样，让不同的科研需求、转化需求在平台上轻松找到合适的合作对象，促进院内院外的协同创新，缩短科研课题与产品研发的对接与打磨时间，提升医学AI生态的整体研究能力，加速完成医疗影像等人工智能产品的和落地。
开辟医疗影像AI科研协同新路径
古有书同文、车同轨以奠定社会一统的基础，在医疗影像的数据世界里，往往也需要通过标准化、通用性强的分析和统计方法对数据进行管理，使不同行业对数据分析过程和结果达成一致理解。腾讯觅影实验平台面向各行业，提供了从数据脱敏、接入、标注，到模型训练、测试、应用的多种数据统计分析工具和全流程服务，以满足不同机构的数据处理需求，化解各行业在医学影像AI研发中所遇到的问题。其中仅数据标注一项，平台就支持多种类型标签灵活配置，包括信息标签、分类标签、检测标签、分割标签；同时支持多种数据标注方式，例如矩形检测框、多边形分割、自由笔勾画，满足不同项目中标注及标签需求。此外平台支持灵活的标注权限配置，可以配置标注、审核、仲裁等权限，满足不同标注流程及标注规范，帮助各种类型研究人员更好、更全、更细的掌握数据的多样。
除了医疗影像AI 领域的研究，实验平台还在不断扩展基于SaaS体系的服务边界。因应药监新政策要求中心影像评价，实验平台提供了一套在云端的数据标注分析系统，用以药物的临床实验评估，助力减少实验误差，提高药物研发工作的效率。
本次腾讯觅影实验平台的升级，是加速医疗影像AI产学研新生态的全新实践，将通过AI应用技术能力，进一步降低医疗影像AI科研的门槛与困难，让更多的创新者参与到行业中来，探索人工智能在医疗影像中的多元化应用场景与价值。
